不是「AI 消滅工作」，而是職缺更偏向資深者

AI 寫程式助理確實能讓開發者更快產出程式碼，但不代表團隊能力與職涯培養會同步變強。真正浮現的問題是：企業若把例行實作工作交給自動化系統，原本讓初階工程師在實戰中學習的機會可能隨之縮減；相對地，需求更集中到能定義需求、審核產出、測試系統，以及做取捨的資深人員。

史丹佛大學與倫敦國王學院一項研究分析 41 國、12.5 億筆職缺資料及 1.54 億筆就業紀錄。其工具變數分析發現，導入 AI 的企業相較於可比的企業，其初階人力占比下降；主因主要是資深人力增加，而非單純大量減少初階人力，並有跡象顯示整體就業仍可能小幅成長。33

該研究相關的五年估計顯示，導入 AI 的企業中，資深人力增加 6.7%、初階人力減少 3%，初階人力占比下降 1.9 個百分點。37 重點是人力結構正在改變，不宜簡化成「AI 造成全面失業」。

另一項史丹佛薪資資料研究也看到早期職涯的落差：在高度受 AI 影響的職業中，22 至 25 歲工作者的就業水準，比起與較低 AI 曝險同齡者維持相同成長速度時應達到的水準，約低 19%；有經驗工作者則沒有相近差距。12 這是相對落後幅度，不代表 AI 直接消滅了 19% 的職位。

AI 寫程式工具為何加深疑慮？但不能直接歸咎於它們

Chamath Palihapitiya 曾把主流 AI 寫程式工具形容為「單人遊戲」：它們很擅長提升個別開發者寫碼速度，可能達到「2 至 5 倍」的個人效率；但軟體開發還包含架構決策、需求討論、法遵審查、程式碼審查、回滾、事後檢討與新人培訓等多人協作。30

這個觀點點出組織層面的難題。若少數資深工程師可藉由 AI 更快產生、檢查並整合程式碼，企業可能認為自己不需要那麼多負責例行實作的初階人員。但留下來的工作，反而更依賴判斷力，例如：

• 把模糊的使用者需求轉成可執行的技術規格；
• 辨識 AI 產生但錯誤、不安全或難維護的程式碼；
• 設計測試、解讀失敗結果；
• 在整體系統脈絡下審查變更；
• 判斷何時不該自動化，或不該貿然上線。

這些是合理的可能機制，不是特定產品的因果結論。現有勞動研究衡量的是廣義的 AI 導入與 AI 曝險，並未分離 Cursor、GitHub Copilot、Claude Code 或其他程式助理各自的效果；研究同樣沒有證明使用這些工具必然產生低品質程式碼。

初階職涯最怕的，是學習階梯斷掉

初階職位的功能從來不只是增加產能。新人透過程式碼審查、除錯、事故後檢討、旁觀設計決策，以及接受資深同事回饋，逐步建立工程判斷力與組織脈絡。

若例行任務被自動化，企業可能在無意間移除了這道最低的階梯。接著，求職者卻被要求證明自己已具備原本應在初階職位中養成的判斷能力，形成「要先有經驗，才拿得到累積經驗的工作」的循環障礙。

世界經濟論壇引述 PwC 研究指出，最受 AI 影響的初階職位，相較於受影響最小的初階職位，要求過去通常屬於資深職位技能（包括領導能力）的可能性高出 7 倍。12

這不只是公平問題。若長期減少有督導的早期職涯機會，未來能成長為資深工程師的人才來源也可能變薄。眼前的效率提升，可能換來較脆弱的人才梯隊。

不平等可能如何擴大

這種偏向資深者的變化，會更有利於已擁有經驗、組織知識與高品質審查資源的人。新進者最缺的，恰恰就是這些條件。

因此，高 AI 曝險職業中 22 至 25 歲工作者出現 19% 的相對就業落差，即使不能證明直接替代，也值得警惕。12 它至少顯示，年輕人在 AI 曝險職業的機會分配並不均衡。缺乏人脈、亮眼學歷或導師資源的人，可能更難跨過升高後的「經驗門檻」。

風險是勞動市場逐漸分成兩端：一端是能指揮、驗證 AI 系統的人；另一端則被期待在進入職場前，就已經具備這些能力。

企業可以怎麼做：把 AI 納入培養，而非取代培養

保留重複工作本身不是目的；重點在於重新設計初階職位，讓 AI 提升學習與能力，而非只移除新人學習的機會。

保留有督導的實作機會

企業可維持有薪學徒制、應屆生輪調與具明確導師責任的初階職位。設計重點應是可驗證的成長：從範圍有限、經過審查的任務，逐步走向更完整的責任，而不是只追求低成本產出。

評估工程判斷，而不只看提示詞產出

採用 AI 的招募與績效評估，應檢驗候選人能否界定問題、解釋生成的程式碼、撰寫或改善測試、找出失效模式，並回應資安或可靠性疑慮。生成得快，不等於具備工程能力。

將 AI 放進審查與回饋流程

AI 協助的程式變更，仍需要可追溯性、人為審查、測試與清楚的責任歸屬。這些做法也能把 AI 變成教學工具：新人可以比較不同生成方案、追查失敗原因，並從回饋中理解哪種實作更安全、更容易維護。

衡量人才管線，而不只衡量產出

管理階層應同時追蹤初階招募、升遷率、訓練時間、留任率，以及不同資歷層級的工作分布，而非只看功能交付量或程式碼數量。若生產力計畫提高了短期產出，卻侵蝕人才管線，長期可能形成營運風險。

政策重點：保住從教育到工作的過渡通道

公共政策可在不阻礙技術導入的前提下，協助維持教育與職場之間的銜接。例如，共同出資的學徒制、與受督導技能培養掛鉤的薪資補助、可攜式培訓支持，以及聚焦高度 AI 曝險職業年輕工作者的媒合服務。

政府與大型採購方也可鼓勵「增能導向」的部署：在具問責的人類監督下，用 AI 提高初階工作者能力，而不是把初階招募視為最先削減的成本。

結論

AI 寫程式工具可能透過提升資深工程師效率、降低部分例行初階工作的經濟必要性，改變軟體團隊的配置方式。跨國研究支持對「資歷偏向」的擔憂：導入 AI 的企業增加資深人力，初階人力的相對占比則降低。3337

但現有證據並未證明任何單一程式工具造成這些結果，也沒有證明 AI 生成程式碼必然品質不佳。真正的考題在組織選擇：企業究竟是用 AI 消除新人養成判斷力的工作，還是用 AI 建立一條更快、但仍有充分督導的成長路徑。

不是「AI 消滅工作」，而是職缺更偏向資深者

AI 寫程式助理確實能讓開發者更快產出程式碼，但不代表團隊能力與職涯培養會同步變強。真正浮現的問題是：企業若把例行實作工作交給自動化系統，原本讓初階工程師在實戰中學習的機會可能隨之縮減；相對地，需求更集中到能定義需求、審核產出、測試系統，以及做取捨的資深人員。

史丹佛大學與倫敦國王學院一項研究分析 41 國、12.5 億筆職缺資料及 1.54 億筆就業紀錄。其工具變數分析發現，導入 AI 的企業相較於可比的企業，其初階人力占比下降；主因主要是資深人力增加，而非單純大量減少初階人力，並有跡象顯示整體就業仍可能小幅成長。33

該研究相關的五年估計顯示，導入 AI 的企業中，資深人力增加 6.7%、初階人力減少 3%，初階人力占比下降 1.9 個百分點。37 重點是人力結構正在改變，不宜簡化成「AI 造成全面失業」。

另一項史丹佛薪資資料研究也看到早期職涯的落差：在高度受 AI 影響的職業中，22 至 25 歲工作者的就業水準，比起與較低 AI 曝險同齡者維持相同成長速度時應達到的水準，約低 19%；有經驗工作者則沒有相近差距。12 這是相對落後幅度，不代表 AI 直接消滅了 19% 的職位。

AI 寫程式工具為何加深疑慮？但不能直接歸咎於它們

Chamath Palihapitiya 曾把主流 AI 寫程式工具形容為「單人遊戲」：它們很擅長提升個別開發者寫碼速度，可能達到「2 至 5 倍」的個人效率；但軟體開發還包含架構決策、需求討論、法遵審查、程式碼審查、回滾、事後檢討與新人培訓等多人協作。30

這個觀點點出組織層面的難題。若少數資深工程師可藉由 AI 更快產生、檢查並整合程式碼，企業可能認為自己不需要那麼多負責例行實作的初階人員。但留下來的工作，反而更依賴判斷力，例如：

• 把模糊的使用者需求轉成可執行的技術規格；
• 辨識 AI 產生但錯誤、不安全或難維護的程式碼；
• 設計測試、解讀失敗結果；
• 在整體系統脈絡下審查變更；
• 判斷何時不該自動化，或不該貿然上線。

這些是合理的可能機制，不是特定產品的因果結論。現有勞動研究衡量的是廣義的 AI 導入與 AI 曝險，並未分離 Cursor、GitHub Copilot、Claude Code 或其他程式助理各自的效果；研究同樣沒有證明使用這些工具必然產生低品質程式碼。

初階職涯最怕的，是學習階梯斷掉

初階職位的功能從來不只是增加產能。新人透過程式碼審查、除錯、事故後檢討、旁觀設計決策，以及接受資深同事回饋，逐步建立工程判斷力與組織脈絡。

若例行任務被自動化，企業可能在無意間移除了這道最低的階梯。接著，求職者卻被要求證明自己已具備原本應在初階職位中養成的判斷能力，形成「要先有經驗，才拿得到累積經驗的工作」的循環障礙。

世界經濟論壇引述 PwC 研究指出，最受 AI 影響的初階職位，相較於受影響最小的初階職位，要求過去通常屬於資深職位技能（包括領導能力）的可能性高出 7 倍。12

這不只是公平問題。若長期減少有督導的早期職涯機會，未來能成長為資深工程師的人才來源也可能變薄。眼前的效率提升，可能換來較脆弱的人才梯隊。

不平等可能如何擴大

這種偏向資深者的變化，會更有利於已擁有經驗、組織知識與高品質審查資源的人。新進者最缺的，恰恰就是這些條件。

因此，高 AI 曝險職業中 22 至 25 歲工作者出現 19% 的相對就業落差，即使不能證明直接替代，也值得警惕。12 它至少顯示，年輕人在 AI 曝險職業的機會分配並不均衡。缺乏人脈、亮眼學歷或導師資源的人，可能更難跨過升高後的「經驗門檻」。

風險是勞動市場逐漸分成兩端：一端是能指揮、驗證 AI 系統的人；另一端則被期待在進入職場前，就已經具備這些能力。

企業可以怎麼做：把 AI 納入培養，而非取代培養

保留重複工作本身不是目的；重點在於重新設計初階職位，讓 AI 提升學習與能力，而非只移除新人學習的機會。

保留有督導的實作機會

企業可維持有薪學徒制、應屆生輪調與具明確導師責任的初階職位。設計重點應是可驗證的成長：從範圍有限、經過審查的任務，逐步走向更完整的責任，而不是只追求低成本產出。

評估工程判斷，而不只看提示詞產出

採用 AI 的招募與績效評估，應檢驗候選人能否界定問題、解釋生成的程式碼、撰寫或改善測試、找出失效模式，並回應資安或可靠性疑慮。生成得快，不等於具備工程能力。

將 AI 放進審查與回饋流程

AI 協助的程式變更，仍需要可追溯性、人為審查、測試與清楚的責任歸屬。這些做法也能把 AI 變成教學工具：新人可以比較不同生成方案、追查失敗原因，並從回饋中理解哪種實作更安全、更容易維護。

衡量人才管線，而不只衡量產出

管理階層應同時追蹤初階招募、升遷率、訓練時間、留任率，以及不同資歷層級的工作分布，而非只看功能交付量或程式碼數量。若生產力計畫提高了短期產出，卻侵蝕人才管線，長期可能形成營運風險。

政策重點：保住從教育到工作的過渡通道

公共政策可在不阻礙技術導入的前提下，協助維持教育與職場之間的銜接。例如，共同出資的學徒制、與受督導技能培養掛鉤的薪資補助、可攜式培訓支持，以及聚焦高度 AI 曝險職業年輕工作者的媒合服務。

政府與大型採購方也可鼓勵「增能導向」的部署：在具問責的人類監督下，用 AI 提高初階工作者能力，而不是把初階招募視為最先削減的成本。

結論

AI 寫程式工具可能透過提升資深工程師效率、降低部分例行初階工作的經濟必要性，改變軟體團隊的配置方式。跨國研究支持對「資歷偏向」的擔憂：導入 AI 的企業增加資深人力，初階人力的相對占比則降低。3337

但現有證據並未證明任何單一程式工具造成這些結果，也沒有證明 AI 生成程式碼必然品質不佳。真正的考題在組織選擇：企業究竟是用 AI 消除新人養成判斷力的工作，還是用 AI 建立一條更快、但仍有充分督導的成長路徑。